Jakie wartości przyjmuje reasoning effort?
Każde API nazywa to ustawienie inaczej i przyjmuje własny zestaw poziomów.
| Gdzie | Parametr | Poziomy | Domyślnie | Źródło |
|---|---|---|---|---|
| API OpenAI | reasoning.effort (Responses), reasoning_effort (Chat Completions) |
Zależne od modelu, mogą obejmować none, minimal, low, medium, high, xhigh, max |
Zależnie od modelu | przewodnik OpenAI po rozumowaniu, dostęp 14 listopada 2026 |
| API Anthropic | output_config.effort |
low, medium, high, xhigh, max |
medium w Claude Opus 5.5 i Claude Haiku 5.5, high w większości pozostałych modeli Claude |
dokumentacja effort Anthropic, dostęp 14 listopada 2026 |
| Codex CLI | klucz konfiguracji model_reasoning_effort |
Zależne od wybranego modelu | Strona konfiguracji go nie podaje; sprawdź w logu sesji | zaawansowana konfiguracja Codex, dostęp 14 listopada 2026 |
GPT-6 Astra na przykład zwraca HTTP 400 dla none. Anthropic traktuje effort jako wskazówkę dla zachowania modelu, a nie twardy limit tokenów. To także osobna kontrola względem temperatury w modelu rozumującym.
Dlaczego reasoning effort to decyzja o kosztach i opóźnieniu?
Każdy wyższy poziom zużywa więcej tokenów myślenia przy każdym wywołaniu. OpenAI ostrzega, że odpowiedź może osiągnąć max_output_tokens, zanim pojawi się jakikolwiek widoczny wynik, a wtedy płacisz za wejście i rozumowanie bez odpowiedzi, i radzi na starcie zarezerwować co najmniej 25 000 tokenów. Effort kupuje dokładność przy trudnych problemach, a przy łatwych niewiele. Ustawiaj go per zadanie, nie per aplikacja, mierz, czy wyższy poziom zmienia wynik, i pozwól, by routing modeli wybierał model i effort razem. Tam, gdzie czeka użytkownik, górną granicę wyznacza Twój budżet opóźnienia, fast mode może kupić szybkość za wyższą cenę, a łączny koszt trafia do raportów AI FinOps.
Jak ustawiamy i weryfikujemy reasoning effort w Soba Labs?
Effort wpisujemy w każdym żądaniu, zamiast ufać wartości domyślnej. Sędzia LLM, który recenzuje nasze pull requesty, działa na poziomie medium, bo domyślny poziom dostawcy, czyli jego najwyższy, nigdy nie odpowiedział na duży diff (pełna historia na stronie dostawcy inferencji). To samo wywołanie ma limit wyjścia 10 000 tokenów i timeout HTTP 400 sekund, a otaczające je zadanie kończy się po 10 minutach.
Codex nauczył nas sprawdzać, co się uruchomiło, a nie co wysłaliśmy. Nieujęta w cudzysłów wartość effort w wierszu poleceń Codexa dała uruchomienie na poziomie medium bez żadnego ostrzeżenia, a zapis w cudzysłowie, jako ciąg znaków TOML, działał. Zaawansowana konfiguracja Codexa (dostęp 6 października 2026) mówi teraz, że wartość, która nie parsuje się jako TOML, jest traktowana jako ciąg znaków, więc zachowanie może zmieniać się między wersjami (zob. nasz wpis o Codex CLI, po angielsku). Wtyczka Codex, której używamy z Claude Code, w wersji 1.0.5 (sprawdzonej 23 sierpnia 2026) przyjmowała flagę modelu, ale nie flagę effort w poleceniu review, więc wysoki effort, którego używamy w recenzjach, opisany na stronie o dostawcy LLM, wymuszamy przez jej ogólne polecenie zadania. Tak czy inaczej model i effort potwierdzamy w logu sesji, który Codex zapisuje dla każdej tury.
Niski effort zmienia też sposób pisania promptów: model o niskim effort wykonuje mniej interpretacyjnych poprawek, więc wersje API, wartości enumów i identyfikatory wpisujemy do promptu dosłownie, zamiast pozwalać modelowi wymyślić wiarygodną wartość domyślną.
Gdzie ustawienia reasoning effort zawodzą po cichu?
Jednym z udokumentowanych przypadków jest warstwa zgodności Anthropic z SDK OpenAI: wymienia reasoning_effort jako ignorowane i zaznacza, że nieobsługiwane pola w większości zawodzą po cichu, zamiast zwracać błędy (zgodność z SDK OpenAI, dostęp 6 października 2026). Żądanie przygotowane pod API zgodne z OpenAI może więc się powieść, a wybrany przez Ciebie effort nie zrobi nic. Uznaj effort za nieustawiony, dopóki log, liczba tokenów lub własny zapis dostawcy nie pokażą, że zadziałał.